基于机器学习的金属制品智能生产控制方法及系统与流程

摘要: 本发明提出了基于机器学习的金属制品智能生产控制方法及系统,属于智能制造与金属材料加工。背景技术:1、当前金属制品全流程生产覆盖熔炼成型热处理轧制等多个工序,行业...
基于机器学习的金属制品智能生产控制方法及系统与流程

本发明提出了基于机器学习的金属制品智能生产控制方法及系统,属于智能制造与金属材料加工。

背景技术:

1、当前金属制品全流程生产覆盖熔炼成型热处理轧制等多个工序,行业内普遍依赖一线操作人员长期积累的经验开展参数调控,配套的自动化系统多基于经典控制框架搭建运行。这类运行模式下,各工序的数据采集与应用相互独立,不同环节的运行数据无法打通联动,常规机器学习应用仅搭建输入参数与最终产品性能的直接映射关系,未关联金属内部微观组织演变的客观规律,模型在工况出现小幅波动时便易出现预测偏差。

2、现有控制逻辑多以成品下线后的抽样检测结果作为反馈调整依据,从异常产生到参数修正存在明显时间差,过程中会连续产出不合格产品。多数控制系统仅接入单一类型的传感器时序数据,无法同步调用表面视觉成像内部超声检测工艺规程文本等多源信息,难以覆盖生产全维度状态。已部署的控制模型参数长期固定,无法跟随设备服役损耗原材料成分波动完成自主适配,现有公开技术多聚焦单一工序的局部参数优化,未形成覆盖全流程的连贯控制体系,实际生产应用中难以实现稳定的高精度调控。

技术实现思路

1、本发明提供了基于机器学习的金属制品智能生产控制方法及系统,用以解决上述背景技术中提及的问题:

2、本发明提出的基于机器学习的金属制品智能生产控制方法,所述方法包括:

3、s1、对多模态原始数据进行统一维度对齐与冗余信息剔除,生成标准化多模态生产数据集;对标准化多模态生产数据集进行特征拆分与模态解耦处理,生成多模态联合特征集;

4、s2、对多模态联合特征集进行微观组织演变规律拟合,生成微观组织演化实时表征数据;对微观组织演化实时表征数据进行全流程时序关联处理,生成全流程连续状态表征序列;

5、s3、对全流程连续状态表征序列进行工艺偏差识别处理,生成实时工艺偏差量化数据;对实时工艺偏差量化数据进行不确定性概率推演,运用贝叶斯推理算法完成偏差演化趋势的概率分布计算,生成偏差风险等级分级数据;

6、s4、对偏差风险等级分级数据进行跨环节参数联动调整处理,生成全流程参数联动调整指令集;对全流程参数联动调整指令集进行模态反馈校验处理,生成可执行生产控制指令序列;

7、s5、对可执行生产控制指令序列进行生产现场下发执行,生成生产执行结果反馈数据;对生产执行结果反馈数据进行模型增量迭代更新,生成自进化后的新一代生产控制模型。

8、本发明提出的基于机器学习的金属制品智能生产控制系统,所述系统包括:

9、一个或多个处理器;

10、存储器,用于存储一个或多个程序;

11、其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述中任一项所述的方法。

12、本发明有益效果:通过多模态物理深度融合的虚拟冶金师控制逻辑,能够在设备磨损、原料成分小幅波动的工况下,依然保持全流程生产状态的精准表征,有效防止单一数据源缺失引发的状态误判现象发生,大幅度提升金属制品生产过程的控制稳定性。同时,全流程物理约束的机器学习推演模式,能够同步关联微观组织演变规律完成工艺参数的动态调整,极大程度上压缩生产异常的响应滞后时长。在熔炼、成型、后处理的连续生产场景下,有效避免依赖人工经验调控导致的批次性能不均问题,显著降低不合格品的产出占比。这套方法既能覆盖多工序的协同参数优化,又能依托运行数据完成模型的自主迭代更新,长期运行下来可有效减少人工反复调校模型的工作量,增强复杂工况下的生产适配能力。

1.基于机器学习的金属制品智能生产控制方法,其特征在于,所述方法包括:

2.根据权利要求1所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s1,包括:

3.根据权利要求1所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s2,包括:

4.根据权利要求1所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s3,包括:

5.根据权利要求4所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s33,包括:

6.根据权利要求5所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s333,包括:

7.根据权利要求5所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s333,包括:

8.根据权利要求1所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s4,包括:

9.根据权利要求1所述基于机器学习的金属制品智能生产控制方法,其特征在于,所述s5,包括:

10.基于机器学习的金属制品智能生产控制系统,其特征在于,所述系统包括: